数据采集之爬虫

【内容简介】

1. 什么是爬虫？
2. 静态网页与静态网页的区别
3. python爬取技术学习

【知识点讲解】

1．什么是爬虫？

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。爬虫（又称为网页蜘蛛，网络机器人，在 FOAF 社区中间，更经常的称为网页追逐者）；它是一种按照一定的规则，自动地抓取网络信息的程序或者脚本。

（1）爬虫步骤

（2）爬虫三要素

 网页抓取

 页面内容抓取工具 ： 正则、lxml、bs4(BeautifulSoup)
 使用http库向目标站点发起请求（常见的请求方式：GET/POST），即发送一个Request，Request包含：请求头、请求体等
 Request模块缺陷：不能执行JS 和CSS 代码

 网页解析

解析 html 数据：解析 html 数据方法有使用正则表达式、第三方解析库如 Beautifulsoup，pyquery 等
解析 json 数据：解析 json数据可使用 json 模块
解析二进制数据:以 b 的方式写入文件

 数据存储

存储库：文件，MySQL，Mongodb，Redis

（3） 爬虫注意事项

1.遵守 Robots 协议，但有没有 Robots 都不代表可以随便爬；
2.限制你的爬虫行为，禁止近乎 DDOS 的请求频率，一旦造成服务器瘫痪，约等于网络攻击；
3.对于明显反爬，或者正常情况不能到达的页面不能强行突破，否则是 Hacker 行为；
4.最后，审视清楚自己爬的内容，遵守国家相关法律法规，以下是绝不能碰的红线（包括但不限于）：
•爬取用户个人数据非法牟利，包括模拟登录他人账号。
•爬取商业数据造成不正当竞争。
•爬取大量带有知识产权的数据用于商业目的， 获取盈利行为。
5、不得违反相应法律法规。

2. 静态网页和动态网页的区分

在静态web程序中，客户端使用web浏览器（IE.FireFox等）经过网络（Network）连接到数据服务器上，使用HTTP协议发起一个请求（Requests）,告诉服务器我现在需要得到哪个页面，所有的请求交给web服务器，之后Web服务器根据用户的需求，从文件系统（存放了所有静态页面的磁盘）取出内容。之后通过web服务器返回给客户端，客户端接收到内容之后经过浏览器渲染解析，得到显示的效果。
静态网页是相对于动态网页而言，是指没有后台数据库、不含程序和不可交互的网页。编的是什么它显示的就是什么、不会有任何改变
*如果客户端请求的是动态资源（*.jsp. .asp/.aspx. .php）,则先将请求交给WEB container中连接数据库，从数据库中取出数据等一系列操作后动态拼凑页面展示内容,拼凑页面的展示内容后，把所有的展示内容交给WEB服务器，之后通过WEB服务器将内容发送回客户端浏览器进行解析执行。

对于网络爬虫来说，静态网页的内容都写在源代码中，比较容易抓取;动态网页的内容不一写在网页源代码中，可能需要用户登录后才能显示完整，这增加了抓取难度。

3. python爬取技术学习

（1） 网页抓取库Urllib

urllib库是Python内置的HTTP请求库，它可以看做是处理URL的组件集合。urllib库包含了四大模块，具体如下：
 urllib.request：请求模块
 urllib.error：异常处理模块
 urllib.parse：URL解析模块
 urllib.robotparser：robots.txt解析模块
使用方法：

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

url：url 地址。
data：发送到服务器的其他数据对象，默认为 None。
timeout：设置访问超时时间。
cafile 和 capath：cafile 为 CA 证书， capath 为 CA 证书的路径，使用 HTTPS 需要用到。
cadefault：已经被弃用。
context：ssl.SSLContext类型，用来指定 SSL 设置。

（2） 网页解析库Beautifulsoup

 BeautifulSoup 安装

pip install BeautifulSoup4

 BeautifulSoup 使用
首先是导入BeautifulSoup库（from bs4 import BeautifulSoup），然后将html源码解析为BeautifulSoup对象，最后提取数据。